Salinas dataset

研究发现高光谱分类评估存在缺陷

一篇新发表在arXiv上的研究论文强调了高光谱图像分类标准评估方法存在的重大缺陷。研究发现，像Salinas等数据集上常见的随机像素分割做法会导致准确率得分虚高，因为测试像素经常与训练像素相邻。当一种无泄露的评估协议应用于十种不同的架构时，平均Macro-F1得分下降了0.147，模型排名也发生了显著变化。研究还发现，许多架构未能解决数据中固有的光谱歧义，导致不同模型出现相似的错误分类模式。